Effiziente Erkennung von Straßenmarkierungen mit tiefem Lernen

Die Erkennung von Fahrstreifenmarkierungen ist ein wichtiges Element der Straßenbildanalyse für fortgeschrittene Fahrerassistenzsysteme (Fahrerassistenzsysteme, ADAS). Aufgrund der begrenzten Bordrechenleistung stellt es jedoch weiterhin eine Herausforderung dar, die Systemkomplexität zu reduzieren und gleichzeitig eine hohe Genauigkeit aufrechtzuerhalten. In dieser Arbeit schlagen wir einen Fahrstreifenmarkierungserkennungsansatz (Lane Marking Detector, LMD) vor, der tiefgreifende Faltungsneuronale Netze verwendet, um robuste Merkmale von Fahrstreifenmarkierungen zu extrahieren. Um seine Leistung bei geringerer Komplexität zu verbessern, wird die dilatierte Faltung eingesetzt. Es wurde eine flachere und schlankere Struktur entwickelt, um die Rechenkosten zu senken. Darüber hinaus haben wir auch Nachbearbeitungsalgorithmen entworfen, um dritte-Ordnungspolynommodelle zu erstellen, die sich an gekrümmte Fahrbahnen anpassen. Unsere System zeigt vielversprechende Ergebnisse in den erfassten Straßenbildern.